vignette|Évolution des performances de l'IA comparées à celles des humains sur divers tests (2024)..

Une intelligence artificielle générale (IAG) est une intelligence artificielle capable d'effectuer ou d'apprendre pratiquement n'importe quelle tâche cognitive au moins aussi bien que l'humain. La création d'intelligences artificielles générales est un des principaux objectifs de certaines entreprises comme OpenAI, Meta et DeepMind. C'est aussi un thème majeur de la science-fiction et de la futurologie. Même si GPT-4 a été décrit comme ayant des « étincelles d'intelligence artificielle générale », il n'existe pas en 2026 d'IA consensuellement considérée comme générale..

Bien que l'intelligence artificielle générale puisse être très utile dans de nombreux domaines, elle présente également des risques, notamment de désinformation et de chômage de masse. Selon des experts en IA. comme Stuart Russell., Yoshua Bengio. ou Geoffrey Hinton., une perte de contrôle pourrait également causer des risques existentiels tels que la fin de l'humanité..

Terminologie

Selon la plupart des spécialistes, l'IAG (Artificial general intelligence ou AGI en anglais), ou IA de niveau humain, se réfère à la capacité d'une machine autonome à effectuer l’ensemble des tâches intellectuelles qu'un être humain peut effectuer. Artificial General Intelligence (AGI) (AGI Society).. Cette définition assez restrictive fait qu'une IA peut générer du texte de haute qualité et être bien plus rapide que l'humain sans être qualifiée de « générale », s'il reste des tâches qu'elle n'effectue pas aussi bien que l'humain. OpenAI définit plutôt l'IAG comme un système hautement autonome capable de surpasser l'humain dans la plupart des tâches ayant un intérêt économique..

Un système expert, ou IA « étroite » est un système informatique potentiellement très compétent, mais qui n'opère que dans un contexte restreint, souvent focalisé sur une tâche précise.

Le terme d'IA forte fait quant à lui plus souvent intervenir une notion philosophique de conscience, ce qui fait que les capacités de l'IA ne suffisent pas à dire si elle est « forte ». Une IA peut donc être parfois qualifiée de « faible » dans ce sens, indépendamment de ses compétences, si elle n'est pas « consciente ». Ces notions font référence à l'hypothèse de l'IA forte et de l'IA faible dans l'expérience de pensée de la chambre chinoise..

Le terme de superintelligence artificielle décrit une IA aux capacités intellectuelles bien supérieures à celles de l'humain dans pratiquement tous les domaines.. Les experts affichent une large incertitude sur le temps que cela prendrait de passer d'une IAG à une superintelligence artificielle, les estimations pouvant aller de moins d'une heure à plusieurs décennies, en supposant que ce soit possible..

Cela dit, ces termes peuvent avoir des définitions différentes, et ces définitions sont suffisamment vagues pour qu'il puisse parfois être difficile de catégoriser une IA.

Histoire

Dans les années 1950, la première génération de chercheurs en intelligence artificielle était convaincue que l'IAG était possible et existerait dans quelques décennies. Le pionnier Herbert Simon a écrit en 1965 : « les machines seront capables, dans moins de , d'accomplir n'importe quelle tâche qu'un homme peut accomplir »..

Cependant, dans les années 1970, il devint évident qu'ils avaient grossièrement sous-estimé la difficulté du projet. Les fonds d'investissement devinrent sceptiques en ce qui concernait l'IAG et mirent davantage de pression sur les chercheurs pour obtenir des applications plus concrètes.. Après un bref regain d'intérêt dans les années 1980, la confiance générale dans l'IA rechute. Jusqu'aux années 1990, les chercheurs en IA avaient la réputation de multiplier les promesses vaines. Ils devinrent réticents à effectuer la moindre prédiction..

Dans les années 1990 et au début du , la recherche en IA a atteint un certain succès commercial et une respectabilité académique en se concentrant sur des applications commerciales ou des sous-problèmes auxquels l'IA pouvait fournir des résultats vérifiables. Notamment via des réseaux de neurones artificiels ou des techniques d'apprentissage statistique. Ces techniques sont maintenant largement appliquées dans l'industrie..

Le terme d'« intelligence artificielle générale » a été utilisé dès 1997 par Mark Gubrud dans une discussion sur les implications de l'automatisation de la production et des opérations militaires..

En 2016, DeepMind a conçu AlphaGo, un programme d'apprentissage par renforcement qui s'est avéré capable de vaincre le champion du monde de Go Lee Sedol. Ce programme nécessitait cependant une connaissance spécifique du jeu de Go et des données humaines, ainsi que des règles du jeu. En 2020, Google DeepMind crée MuZero, qui n'a plus ces limitations et peut être entraîné sur d'autres types de jeux comme les jeux Atari.. En 2022, Google DeepMind développe Gato, un système d'IA généraliste capable d'exécuter plus de 600 tâches..

En 2023, Microsoft Research a publié une étude sur une version précoce de GPT-4, affirmant que GPT-4 manifestait une intelligence plus générale que les précédents modèles d'IA, et affichait des performances de niveau humain dans de multiples domaines tels que les mathématiques, la programmation et le judiciaire.. Une autre étude en 2023 rapporte que GPT-4 surpasse 99 % des humains aux tests de créativité de Torrance.

L'année 2023 a également marqué l'émergence des grands modèles multimodaux, qui sont capables de traiter ou de générer différents types de données comme le texte, le son ou les images..

En , Mark Zuckerberg, directeur général de Meta, annonce que son entreprise intensifie ses travaux pour s’attaquer non seulement à l'IA, mais aussi à l’IA générale. Mark Zuckerberg souhaite créer des systèmes informatiques beaucoup plus intelligents, capables d’égaler au moins les capacités cognitives humaines telles que l’apprentissage, le raisonnement, la planification, la création et la mémorisation d’informations..

En 2024, OpenAI lance o1-preview, le premier d'une série de modèles qui . Selon Mira Murati, cette capacité à réfléchir avant de répondre représente un paradigme supplémentaire. Elle améliore les résultats du modèle en dépensant de la puissance de calcul supplémentaire lors de la génération de la réponse. L'autre paradigme, qui reste toujours pertinent, consiste à entraîner des modèles plus grands, utilisant davantage de données et de puissance de calcul pour leur entraînement..

Le , interrogé par Lex Fridman qui lui demandait si l’IA générale arriverait dans cinq, dix, quinze ou vingt ans, Jensen Huang répond : ., avant de nuancer son propos. Huang se basait alors sur une définition strictement fonctionnelle — centrée sur la capacité des systèmes actuels à réussir des tâches économiques ou des évaluations standardisées (benchmarks) mieux et plus vite que la plupart des humains. Huang a aussi souligné les progrès rapides et récents de l'IA agentique et le phénomène OpenClaw. Huang dit s'attendre à de possibles émergences inattendues. Il ajoute que la nouvelle famille de modèles modulaires et ouverts de la famille Nemotron représente une nouvelle base pour les agents autonomes spécialisés qui s'adapteront en temps réel aux besoins de l'utilisateur. Ceux-ci sont développés et entraînés par son entreprise Nvidia sur la plateforme de calcul haute performance de NVIDIA DGX Cloud, par le consortium international Nemotron Coalition (qui comprend notamment Mistral AI, Perplexity, LangChain, etc.)...

Caractéristiques Une intelligence artificielle générale (IAG) doit notamment pouvoir : planifier ; comprendre des concepts abstraits ; résoudre des problèmes ; prendre des décisions en tenant compte de l'incertitude ; apprendre ; communiquer en langage naturel ; faire preuve de créativité.

Sentience

La sentience n'est en général pas considérée comme un critère nécessaire pour l'IAG. Une machine pourrait probablement en effet être très compétente pour accomplir des objectifs sans nécessairement être sentiente..

La question de savoir si les machines peuvent en principe être sentientes est controversée.. Il n'existe actuellement pas de mesure fiable de la sentience, ni même de théorie qui fasse largement consensus.. Selon les fonctionnalistes, la sentience est causée par certains types de traitement de l'information. Il n'y a dans ce cas pas de barrière théorique au fait que la sentience puisse se manifester sur un support autre que biologique.. Le fait qu'une machine soit sentiente n'implique pas nécessairement qu'elle soit plus puissante ou plus dangereuse, mais plutôt qu'elle pourrait avoir une dimension morale. Si c'est le cas, il pourrait, de même que pour les animaux, être pertinent d'accorder des droits à ces IAs ou de se soucier de leur bien-être..

Explosion d'intelligence

Une IAG serait en principe capable de remplacer le poste de chercheur en intelligence artificielle. Cependant, les machines étant en général plus rapides que le cerveau humain, certains chercheurs estiment qu'il pourrait survenir une « explosion d'intelligence », faisant rapidement de l'IAG une superintelligence.

Le concept n'est pas nouveau. En 1965, Irving John Good écrivait. :

Ce scénario est débattu. D'autres pensent que cette amélioration récursive se ferait de façon plus décentralisée ou progressive, s'étalant sur des années voire des décennies. L'économiste Robin Hanson estime par exemple que pour déclencher une explosion d'intelligence, une machine devrait avoir une meilleure capacité d'innovation que le reste du monde combiné, ce qui lui semble peu plausible..

Faisabilité Là où l'approche de Google DeepMind avec AlphaGo, MuZero et Gato consistait à partir de systèmes d'apprentissage par renforcement puissants mais spécifiques et à tenter de les généraliser à des situations de plus en plus complexes (avec un certain succès)., les grands modèles de langage ont récemment fourni une approche différente. Initialement, les modèles d'IA disposent d'un grand nombre de paramètres ajustables (par exemple, dans le cas de GPT-3.). La première étape de l'entraînement des grands modèles de langage consiste à prédire, pour un très grand nombre de textes issus d'internet, le mot suivant (ou plus exactement le token suivant, un token étant une séquence d'octets). Au fur et à mesure de cet apprentissage, le modèle ajuste ses paramètres internes. Cette tâche étonnamment simple, répétée un grand nombre de fois, permet au modèle de langage d'acquérir une connaissance non seulement du langage, mais aussi de nombreux autres domaines tels que l'arithmétique, le raisonnement, la physique, l'humour, la traduction.…

Une procédure d'entraînement relativement simple est ainsi capable de faire émerger des connaissances et des capacités complexes. L'IAG pourrait peut-être ainsi être principalement une question de quantité de ressources consacrées à l'entraînement. Il semble en effet que les performances augmentent régulièrement avec. :

le nombre de paramètres du modèle (sa taille) ; la quantité de données ayant servi à entraîner du modèle ; les capacités de calcul ayant servi à entraîner le modèle, ou autrement dit le nombre d'itérations.

Jusque dans les années 2010, l'intelligence artificielle générale était perçue comme un sujet spéculatif et lointain. En 2015, le vice-président de Baidu, Andrew Ng, affirmait que s'inquiéter des risques existentiels liés à l'IAG était comparable à ..

Les spectaculaires progrès suggèrent cependant que l'IAG pourrait être moins difficile à réaliser que prévu.. Selon l'informaticien Geoffrey Hinton. :

La définition d'intelligence artificielle générale reste cependant suffisamment floue pour qu'il puisse être difficile ou subjectif d'évaluer si un modèle est une IAG.

Bénéfices